CN109271939B - 基于单调波方向能量直方图的热红外人体目标识别方法 - Google Patents

基于单调波方向能量直方图的热红外人体目标识别方法 Download PDF

Info

Publication number
CN109271939B
CN109271939B CN201811108169.3A CN201811108169A CN109271939B CN 109271939 B CN109271939 B CN 109271939B CN 201811108169 A CN201811108169 A CN 201811108169A CN 109271939 B CN109271939 B CN 109271939B
Authority
CN
China
Prior art keywords
human body
thermal infrared
body target
local
information matrix
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811108169.3A
Other languages
English (en)
Other versions
CN109271939A (zh
Inventor
谭勇
严文娟
黄仕建
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangtze Normal University
Original Assignee
Yangtze Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yangtze Normal University filed Critical Yangtze Normal University
Priority to CN201811108169.3A priority Critical patent/CN109271939B/zh
Publication of CN109271939A publication Critical patent/CN109271939A/zh
Application granted granted Critical
Publication of CN109271939B publication Critical patent/CN109271939B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Radiation Pyrometers (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于单调波方向能量直方图的热红外人体目标识别方法，包括如下步骤：获取包含人体目标的热红外图像；从热红外图像中提取候选人体目标区域，所述候选人体目标区域是指所述热红外图像中疑似包含人体目标的图像区域；提取所述候选人体目标区域的单调波方向能量直方图特征；基于单调波方向能量直方图特征对候选人体目标区域进行分类识别，确定出包含有人体目标的候选人体目标区域，实现对热红外图像中的人体目标的识别。单调波方向能量直方图特征实现了在强烈噪声干扰下对热红外图像模糊边缘的良好表达，所以具有很强的区分性，采用单调波方向能量直方图特征实现人体目标识别，能够有效提高人体目标识别的准确性。

Description

基于单调波方向能量直方图的热红外人体目标识别方法
技术领域
本发明涉及数字图像处理与模式识别技术领域，尤其涉及基于单调波方向能量直方图的热红外人体目标识别方法。
背景技术
人体目标识别技术广泛应用于战场侦察、智能交通、安全监控、智能机器人等诸多领域。近年来，随着热红外成像设备技术水平的进步和价格的不断下降，越来越多的研究人员开展了热红外成像条件下的人体目标识别技术研究。热红外成像设备是通过探测环境中物体的热辐射进行成像的，因此能够在光照不良甚至无可见光照的情况下正常工作，因此，使用热红外成像设备的人体目标识别应用系统相对于使用可见光成像设备的人体目标识别系统具有全天侯工作的优势，而且更不容易受阴影、遮挡、不良照片等因素的影响。但是，在通过处理热红外成像设备采集的热红外图像信息实现人体目标识别时，也同样存在多方面困难。主要原因可归纳为热红外图像的弱质性、人体对象的复杂性和场景的多样性。
当前，热红外人体目标识别方法可大致归纳为人体模型法、模板匹配法、运动检测法、统计分类法四类。在这些方法中，统计分类法相对具有更好的精度和适应性。统计分类法工作步骤可表述为“目标特征提取+分类器判决”。按所使用的目标特征可划分为基于全局性人体特征的统计识别方法和基于人体局部性特征的统计识别方法两类。全局性特征是以整个人体目标为对象描述其轮廓或区域，其有效性依赖于对人体目标的完整获取。不过，由于热红外图像的弱质性和人体形态的复杂性，满足该要求的候选目标常常难以获得。局部特征的获得一般是基于对整个目标区域的稠密扫描。此类特征无需明确的目标模型，对目标遮挡的鲁棒性很好，但缺点是计算代价可能相当高，而且探测窗口的大部分特征系数都可能用于背景的描述或局限在人体目标的某个部位，使得特征描述效率不高；此外，还可能对同一目标有多次检测结果，因此扫描完成后还要结合人体其他特征对众多可能结果进行检查和精炼。
因此，如何解决热红外图像弱质性、人体对象复杂性和场景多样性造成的识别热红外图像中人体目标的困难，成为了本领域技术人员急需解决的问题。
发明内容
针对现有技术存在的上述不足，本发明要解决的技术问题是：如何解决热红外图像弱质性、人体对象复杂性和场景多样性造成的识别热红外图像中人体目标的困难。
为解决上述技术问题，本发明采用了如下的技术方案：
基于单调波方向能量直方图的热红外人体目标识别方法，包括如下步骤：
(1)获取包含人体目标的热红外图像；
(2)从热红外图像中提取候选人体目标区域，所述候选人体目标区域是指所述热红外图像中疑似包含人体目标的图像区域；
(3)提取所述候选人体目标区域的单调波方向能量直方图特征；
(4)基于单调波方向能量直方图特征对候选人体目标区域进行分类识别，确定出包含有人体目标的候选人体目标区域，实现对热红外图像中的人体目标的识别。
优选地，步骤(3)包括如下步骤：
(301)计算所述候选人体目标区域的多尺度单调波表达{A1,φ1,θ1,A2,φ2,θ2,...Ak,φk,θk,...,As,φs,θs}，其中，Ak表示尺度k下的局部能量信息矩阵,φk表示尺度k下的局部相位信息矩阵,θk表示尺度k下的局部方向信息矩阵，S为尺度k的最大值，k＝1,2,3,…,S；
(302)分别将局部能量信息矩阵Ak和局部方向信息矩阵θk划分为多个非重叠的大小相同的网格，其中局部能量信息矩阵Ak和局部方向信息矩阵θk被划分为相同个数的网格；
(303)将局部方向信息矩阵θk中所有元素所处的数值区间[0,π]划分为N个大小相同的子区间并依次编号为1,2,3，…，N，将局部方向信息矩阵θk中元素替换为该元素所在子区间的编号得到局部离散方向信息矩阵θk'；
(304)计算局部能量信息矩阵Ak内每一网格的方向能量直方图；
(305)将尺度k下所有网格的方向能量直方图进行量化系数的Z行排序，串行组合得到尺度k下的局部方向能量直方图Hk；
(306)将所有尺度下的局部方向能量直方图串行组合得到单调波方向能量直方图特征H，其中，H＝{H1,H2,...,Hk,...,HS}。
优选地，步骤(304)包括如下步骤：
(3041)设编号元素值i＝1；
(3042)获取局部离散方向信息矩阵θk'中对应网格中元素值等于i的所有元素的坐标位置；
(3043)将局部能量信息矩阵Ak中对应网格中对应坐标位置的元素累加得到一个编号元素值对应的方向能量累加值，若局部离散方向信息矩阵θk'中对应网格中没有任何元素等于i，则该编号元素值对应的方向能量累加值为0；
(3044)若i小于N，则将i的值加1并返回执行(3042)，若i等于N，则基于所有方向能量累加值得到局部能量信息矩阵Ak中对应网格的方向能量直方图。
优选地，步骤(4)包括如下步骤：
(401)获取多个包含人体目标和非人体目标的训练用热红外图像，从中获取训练用单调波方向能量直方图特征，构建训练样本集；
(402)初始化深度置信网络；
(403)基于训练样本集中的单调波方向能量直方图特征样本，通过逐层贪婪算法训练深度置信网络，获得网络各层神经元之间的连接权重，完成深度置信网络模型的构建；
(404)将待识别目标的单调波方向能量直方图特征输入深度置信网络模型，获得待识别目标的类型标签，实现对热红外图像中人体目标的识别。
优选地，步骤(402)中初始化后的深度置信网络包括一个输入层、两个隐藏层及一个输出层；输入层神经元个数为单调波方向能量直方图特征维数,采用最大似然估计方法估计单调波方向能量直方图特征的本征维数，两个隐藏层的神经元个数均为单调波方向能量直方图特征本征维数,输出层有两个神经元。
本发明公开了基于单调波方向能量直方图的热红外人体目标识别方法，包括如下步骤：(1)获取包含人体目标的热红外图像；(2)从热红外图像中提取候选人体目标区域，所述候选人体目标区域是指所述热红外图像中疑似包含人体目标的图像区域；(3)提取所述候选人体目标区域的单调波方向能量直方图特征；(4)基于单调波方向能量直方图特征对候选人体目标区域进行分类识别，确定出包含有人体目标的候选人体目标区域，实现对热红外图像中的人体目标的识别。单调波方向能量直方图特征实现了在强烈噪声干扰下对热红外图像模糊边缘的良好表达，所以具有很强的区分性，采用单调波方向能量直方图特征实现人体目标识别，能够有效提高人体目标识别的准确性。
附图说明
图1为本发明公开的一种基于单调波方向能量直方图的热红外人体目标识别方法的流程图；
图2至图4为从热红外图像中提取的候选目标示例；
图5为尺度k上的单调波局部方向能量直方图提取过程示意图，其中，(a)候选目标，(b)第k尺度局部方向信息矩阵，(c)第k尺度局部能量信息矩阵，(d)叠加网格的局部方向信息矩阵图(e)叠加网格的局部能量信息矩阵，(f)数值区间[0,π]划分为N个大小相同的子区间，(g)局部离散方向信息矩阵，(h)第k尺度局部方向能量直方图；
图6为深度置信网络结构。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述说明。
如图1所示，本发明公开了一种基于单调波方向能量直方图的热红外人体目标识别方法，包括如下步骤：
(1)获取包含人体目标的热红外图像；
热红外图像包括静态图像或者序列图像，运用热红外热像仪(或其他热红外成像装置)采集静态图像或者序列图像。成像装置与感兴趣人体对象之间的最小距离设置保证感兴趣人体对象成像尺寸不超出图像的最大分辨率，最大距离设置保证感兴趣人体对象的的全部或部分身体部位在图像中可分辨。
(2)从热红外图像中提取候选人体目标区域，所述候选人体目标区域是指所述热红外图像中疑似包含人体目标的图像区域；
视场中的人体目标和其他具有较高热辐射水平的非人体目标(例如路灯、发动的汽车等)通常反映为热红外图像的高亮区域。因此，首先通过图像分割获得高亮区域能够快速定位图像中的人体目标。在此基础上，利用人体形态先验知识把不满足人体目标基本特征的高亮区域过滤掉，获得候选人体目标，作为后续步骤的输入。图2至图4中的矩形方框即标识了从示例热红外图像中获得的候选人体目标。
(3)提取所述候选人体目标区域的单调波方向能量直方图特征；
(4)基于单调波方向能量直方图特征对候选人体目标区域进行分类识别，确定出包含有人体目标的候选人体目标区域，实现对热红外图像中的人体目标的识别。
单调波方向能量直方图特征实现了在强烈噪声干扰下对热红外图像模糊边缘的良好表达，所以具有很强的区分性。本发明采用单调波方向能量直方图特征实现人体目标识别，实现对强烈噪声干扰下的候选目标区域中的模糊边缘的良好表达，能够有效提高人体目标识别的准确性。
如图5所示，具体实施时，步骤(3)包括如下步骤：
(301)计算所述候选人体目标区域的多尺度单调波表达{A1,φ1,θ1,A2,φ2,θ2,...Ak,φk,θk,...,As,φs,θs}，其中，Ak表示尺度k下的局部能量信息矩阵,φk表示尺度k下的局部相位信息矩阵,θk表示尺度k下的局部方向信息矩阵，S为尺度k的最大值，k＝1,2,3,…,S；
(302)分别将局部能量信息矩阵Ak和局部方向信息矩阵θk划分为多个非重叠的大小相同的网格，其中局部能量信息矩阵Ak和局部方向信息矩阵θk被划分为相同个数的网格；
(303)将局部方向信息矩阵θk中所有元素所处的数值区间[0,π]划分为N个大小相同的子区间并依次编号为1,2,3，…，N，将局部方向信息矩阵θk中元素替换为该元素所在子区间的编号得到局部离散方向信息矩阵θk'；
(304)计算局部能量信息矩阵Ak内每一网格的方向能量直方图；
(305)将尺度k下所有网格的方向能量直方图进行量化系数的Z行排序，串行组合得到尺度k下的局部方向能量直方图Hk；
(306)将所有尺度下的局部方向能量直方图串行组合得到单调波方向能量直方图特征H，其中，H＝{H1,H2,...,Hk,...,HS}。
具体实施时，步骤(304)包括如下步骤：
(3041)设编号元素值i＝1；
(3042)获取局部离散方向信息矩阵θk'中对应网格中元素值等于i的所有元素的坐标位置；
(3043)将局部能量信息矩阵Ak中对应网格中对应坐标位置的元素累加得到一个编号元素值对应的方向能量累加值，若局部离散方向信息矩阵θk'中对应网格中没有任何元素等于i，则该编号元素值对应的方向能量累加值为0；
(3044)若i小于N，则将i的值加1并返回执行(3042)，若i等于N，则基于所有方向能量累加值得到局部能量信息矩阵Ak中对应网格的方向能量直方图。
在得到的方向能量直方图中，横坐标依次为1至N，横坐标即是编号元素值，纵坐标为对应的方向能量累加值。
具体实施时，步骤(4)包括如下步骤：
(401)获取多个包含人体目标和非人体目标的训练用热红外图像，从中获取训练用单调波方向能量直方图特征，构建训练样本集；
可以从公共热红外图像数据库OTCBVS中获取训练用热红外图像，人工选取较大数量的，具有不同大小和形态的人体目标和非人体目标作为训练样本目标，提取这些训练样本目标的单调波方向能量直方图特征，并对每个训练用单调波方向能量直方图特征标注人体/非人体类别标签。
(402)初始化深度置信网络；
如图6所示，是一种初始化深度置信网络的具体方式，网络深度为4层，具体包括输入层、2个隐藏层，以及输出层。输入层神经元个数为单调波方向能量直方图特征维数,2个隐藏层的神经元个数均为单调波方向能量直方图特征本征维数,输出层神经元个数为2。其中，为达到估计精度以及计算效率的平衡，采用最大似然估计方法估计单调波方向能量直方图特征的本征维数。
(403)基于训练样本集中的单调波方向能量直方图特征样本，通过逐层贪婪算法训练深度置信网络，获得网络各层神经元之间的连接权重，完成深度置信网络模型的构建；
获得网络各层神经元之间的连接权重W0,W1,W2。逐层贪婪算法包含预训练和微调两个阶段，预训练通过逐层递推获得W0,W1,W2的大致估计，微调利用反向传播机制实现对W0,W1,W2的修正。
(404)将待识别目标的单调波方向能量直方图特征输入深度置信网络模型，获得待识别目标的类型标签，实现对热红外图像中人体目标的识别。
深度置信网络作为一种典型的深度神经网络，通过对输入数据在多个不同层级上进行非监督学习实现对输入数据的层次化抽象，提供了一种优越的对输入数据进行自动特征提取的途径，有效确保识别精度，另外，该网络具有配置灵活和训练快速的优点。
具体实施时，步骤(402)中初始化后的深度置信网络包括一个输入层、两个隐藏层及一个输出层；输入层神经元个数为单调波方向能量直方图特征维数,采用最大似然估计方法估计单调波方向能量直方图特征的本征维数，两个隐藏层的神经元个数均为单调波方向能量直方图特征本征维数,输出层有两个神经元。
在本发明中，为达到估计精度以及计算效率的平衡，采用最大似然估计方法估计单调波方向能量直方图特征的本征维数
本发明将从热红外人体图像中提取人体候选目标上提取单调波方向能量直方图特征，实现对强烈噪声干扰下的候选目标区域中的模糊边缘的良好表达；在分类技术上，应用深度置信网络的优势，隐式地对输入特征进行自动特征提取以及在此基础上的分类识别。整体上，结合构建区分性强的图像信息表达特征和深度学习网络的在模式分类方面的优势，获得优越的的分类精度以及环境适应性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。

Claims (4)

1.基于单调波方向能量直方图的热红外人体目标识别方法，其特征在于，包括如下步骤：
(1)获取包含人体目标的热红外图像；
(2)从热红外图像中提取候选人体目标区域，所述候选人体目标区域是指所述热红外图像中疑似包含人体目标的图像区域；
(3)提取所述候选人体目标区域的单调波方向能量直方图特征；其中包括如下步骤：
(301)计算所述候选人体目标区域的多尺度单调波表达{A1,φ1,θ1,A2,φ2,θ2,...Ak,φk,θk,...,As,φs,θs}，其中，Ak表示尺度k下的局部能量信息矩阵,φk表示尺度k下的局部相位信息矩阵,θk表示尺度k下的局部方向信息矩阵，S为尺度k的最大值，k＝1,2,3,…,S；
(302)分别将局部能量信息矩阵Ak和局部方向信息矩阵θk划分为多个非重叠的大小相同的网格，其中局部能量信息矩阵Ak和局部方向信息矩阵θk被划分为相同个数的网格；
(303)将局部方向信息矩阵θk中所有元素所处的数值区间[0,π]划分为N个大小相同的子区间并依次编号为1,2,3，…，N，将局部方向信息矩阵θk中元素替换为该元素所在子区间的编号得到局部离散方向信息矩阵θk'；
(304)计算局部能量信息矩阵Ak内每一网格的方向能量直方图；
(305)将尺度k下所有网格的方向能量直方图进行量化系数的Z行排序，串行组合得到尺度k下的局部方向能量直方图Hk；
(306)将所有尺度下的局部方向能量直方图串行组合得到单调波方向能量直方图特征H，其中，H＝{H1,H2,...,Hk,...,HS}；
(4)基于单调波方向能量直方图特征对候选人体目标区域进行分类识别，确定出包含有人体目标的候选人体目标区域，实现对热红外图像中的人体目标的识别。
2.如权利要求1所述的基于单调波方向能量直方图的热红外人体目标识别方法，其特征在于，步骤(304)中计算局部能量信息矩阵Ak中任意一个网格的方向能量直方图的方法包括如下步骤：
(3041)设编号元素值i＝1；
(3042)获取局部离散方向信息矩阵θk'中对应网格中元素值等于i的所有元素的坐标位置；
(3043)将局部能量信息矩阵Ak中对应网格中对应坐标位置的元素累加得到一个编号元素值对应的方向能量累加值，若局部离散方向信息矩阵θk'中对应网格中没有任何元素等于i，则该编号元素值对应的方向能量累加值为0；
(3044)若i小于N，则将i的值加1并返回执行(3042)，若i等于N，则基于所有方向能量累加值得到局部能量信息矩阵Ak中对应网格的方向能量直方图。
3.如权利要求1所述的基于单调波方向能量直方图的热红外人体目标识别方法，其特征在于，步骤(4)包括如下步骤：
(401)获取多个包含人体目标和非人体目标的训练用热红外图像，从中获取训练用单调波方向能量直方图特征，构建训练样本集；
(402)初始化深度置信网络；
(403)基于训练样本集中的单调波方向能量直方图特征样本，通过逐层贪婪算法训练深度置信网络，获得网络各层神经元之间的连接权重，完成深度置信网络模型的构建；
(404)将待识别目标的单调波方向能量直方图特征输入深度置信网络模型，获得待识别目标的类型标签，实现对热红外图像中人体目标的识别。
4.如权利要求3所述的基于单调波方向能量直方图的热红外人体目标识别方法，其特征在于，步骤(402)中初始化后的深度置信网络包括一个输入层、两个隐藏层及一个输出层；输入层神经元个数为单调波方向能量直方图特征维数,采用最大似然估计方法估计单调波方向能量直方图特征的本征维数，两个隐藏层的神经元个数均为单调波方向能量直方图特征本征维数,输出层有两个神经元。
CN201811108169.3A 2018-09-21 2018-09-21 基于单调波方向能量直方图的热红外人体目标识别方法 Active CN109271939B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811108169.3A CN109271939B (zh) 2018-09-21 2018-09-21 基于单调波方向能量直方图的热红外人体目标识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811108169.3A CN109271939B (zh) 2018-09-21 2018-09-21 基于单调波方向能量直方图的热红外人体目标识别方法

Publications (2)

Publication Number Publication Date
CN109271939A CN109271939A (zh) 2019-01-25
CN109271939B true CN109271939B (zh) 2021-07-02

Family

ID=65198152

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811108169.3A Active CN109271939B (zh) 2018-09-21 2018-09-21 基于单调波方向能量直方图的热红外人体目标识别方法

Country Status (1)

Country Link
CN (1) CN109271939B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136526A (zh) * 2013-03-01 2013-06-05 西北工业大学 基于多源图像特征融合的在线目标跟踪方法
CN103745433A (zh) * 2013-12-05 2014-04-23 莱阳市科盾通信设备有限责任公司 一种用于车辆安全辅助视频图像处理方法
CN105809640A (zh) * 2016-03-09 2016-07-27 长春理工大学 基于多传感器融合的低照度视频图像增强方法
CN106530232A (zh) * 2016-11-10 2017-03-22 河北工业大学 一种图像缩放方法
CN107633495A (zh) * 2017-08-02 2018-01-26 中北大学 一种基于互补关系的红外偏振与光强图像多算法2d‑vmd内嵌式融合方法
CN108090397A (zh) * 2016-11-22 2018-05-29 天津长城科安电子科技有限公司 基于红外图像的行人检测系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170017846A1 (en) * 2015-07-15 2017-01-19 Umm Al-Qura University Crowd and traffic monitoring apparatus and method
JP6851163B2 (ja) * 2016-09-23 2021-03-31 キヤノン株式会社 画像処理装置、画像処理方法、及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103136526A (zh) * 2013-03-01 2013-06-05 西北工业大学 基于多源图像特征融合的在线目标跟踪方法
CN103745433A (zh) * 2013-12-05 2014-04-23 莱阳市科盾通信设备有限责任公司 一种用于车辆安全辅助视频图像处理方法
CN105809640A (zh) * 2016-03-09 2016-07-27 长春理工大学 基于多传感器融合的低照度视频图像增强方法
CN106530232A (zh) * 2016-11-10 2017-03-22 河北工业大学 一种图像缩放方法
CN108090397A (zh) * 2016-11-22 2018-05-29 天津长城科安电子科技有限公司 基于红外图像的行人检测系统
CN107633495A (zh) * 2017-08-02 2018-01-26 中北大学 一种基于互补关系的红外偏振与光强图像多算法2d‑vmd内嵌式融合方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Spatiotemporal analysis of RGB-D-T facial images for multimodal pain level recognition;Ramin Irani等;《2015 IEEE Conference on Computer Vision and Pattern Recognition Workshops 》;20151026;第88-95页 *
基于水平集的热红外运动人体目标分割算法;郭永彩等;《红外与毫米波学报》;20140228;第106-116页 *
基于累积运动能量图像的人体动作识别;谌先敢等;《中南民族大学学报(自然科学版)》;20160331;第108-113页 *

Also Published As

Publication number Publication date
CN109271939A (zh) 2019-01-25

Similar Documents

Publication Publication Date Title
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN110363140B (zh) 一种基于红外图像的人体动作实时识别方法
CN107609601B (zh) 一种基于多层卷积神经网络的舰船目标识别方法
CN106096561B (zh) 基于图像块深度学习特征的红外行人检测方法
Sirmacek et al. Urban area detection using local feature points and spatial voting
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN108898065B (zh) 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
Zhang et al. Road recognition from remote sensing imagery using incremental learning
CN109801305B (zh) 基于深度胶囊网络的sar图像变化检测方法
CN110070545B (zh) 一种城镇纹理特征密度自动提取城镇建成区的方法
CN112818905A (zh) 一种基于注意力和时空信息的有限像素车辆目标检测方法
Zhang et al. Multiple Saliency Features Based Automatic Road Extraction from High‐Resolution Multispectral Satellite Images
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
Wang et al. Revisiting SLIC: Fast superpixel segmentation of marine SAR images using density features
CN111444816A (zh) 一种基于Faster RCNN的多尺度密集行人检测方法
CN109241932B (zh) 一种基于运动方差图相位特征的热红外人体动作识别方法
Khamael et al. Using adapted JSEG algorithm with fuzzy C mean for segmentation and counting of white blood cell and nucleus images
CN105844299B (zh) 一种基于词袋模型的图像分类方法
CN109271939B (zh) 基于单调波方向能量直方图的热红外人体目标识别方法
CN114663916A (zh) 一种基于深度抽象特征的热红外人体目标识别方法
CN113887652B (zh) 基于形态和多示例学习的遥感图像弱小目标检测方法
Wu et al. Nighttime cattle detection based on YOLOv4
Yang et al. Semantic labelling of SAR images with conditional random fields on region adjacency graph
CN113963249B (zh) 一种星系图像的检测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant